CN108595649B - 基于几何形状的局部不变纹理特征的织物图像检索方法 - Google Patents

Abstract

本发明公开了一种基于几何形状的局部不变纹理特征的织物图像检索方法，步骤如下：一、脱机生成织物图像数据库的索引结构；二、形成用户提问：提取用户输入样例织物图像的基于几何形状的局部纹理特征，形成可以检索索引数据库的提问；所述的提取基于几何形状的局部纹理特征按照以下步骤实施：（1）转换为灰度纹理；（2）织物图像的地形图表达；（3）提取特征：①图像纹理特征的局部表达；②各节点之间的结构关系表达；③采用形状对比度特征削除局部对比度对特征的影响；（4）特征的统计表达；三、计算相似度，输出结果。本发明提供的织物图像检索方法提出了一种基于几何形状的局部不变纹理特征，利用该特征能够高效地对织物图像进行检索。

Description

基于几何形状的局部不变纹理特征的织物图像检索方法

技术领域

本发明涉及计算机多媒体信息检索领域，具体涉及基于几何形状的局部不变纹理特征的织物图像检索方法。

背景技术

纺织服装是人类生存最基本的需求之一，我国是纺织品生产及出口大国，同时也是全世界最大的服装消费国及生产国。纺织工业是我国国民经济传统支柱产业、重要的民生产业和国际竞争优势明显的产业。随着纺织行业的快速发展，作为主要纺织产品的织物布料等产品均呈现持续增长态势，随之而来的问题是如何采用电脑对不断增加的织物进行组织、管理、如何有效查找，这个问题对于织物经销商、服装业等尤其重要。对服装业来说，面料作为品牌的一种强有力的视觉标识对客户有着难以置信的影响力，找到合适的服装面料使得面料的风格和服装款式的匹配是服装设计和加工者所面临的重大课题。服装设计获得合适视觉效果的面料是设计走向成功的第一步，面料选择不合理是当前服装生产的主要问题之一。国内纺织行业织物的查找检索现在很大程度依靠人工或基于关键字的图像检索来实现，基于关键字的图像检索需要对图像进行标注。但手工对图像进行标注需要巨大的人力物力，对于日益增加的庞大的织物数量来说，这种技术已经落伍，而且尤为重要的是无法精确地对织物进行描述，如布料上的格子，其相关的属性如格型大小、数量、颜色、方向，分布等，花的属性如花朵分布密度、颜色、单朵大小等，其它的织物类型像条纹、豹纹等等也有各自的属性，这些织物图像的属性用自然语言来描述非常困难。因此，而通过提供样例图像，采用以图搜图的方式是十分需要而且迫切的，这种方式被称为基于内容的图像检索。但通用的检索方法，并不能有效地对织物图像进行检索。因而，根据织物图像的特点，有针对性地提取适合的特征进行织物图像的表达，是非常必要的。

对于图像来说，颜色、纹理、形状等是其最重要的底层可视特征，然而对于织物图像来说，纹理才是其最重要的，因此有必要以纹理分析为基础来研究织物图像的检索，本发明即是以基于几何形状表达的纹理不变量特征来进行织物图像的检索。传统的纹理特征描述方式主要是基于统计的方法和基于结构的方法，另外还有基于模型的方法及基于信号处理的方法。需要明确的是这些纹理特征提取方法的分类并不是绝对的，这四种方法之间既有区别也有联系，和其它一些分类方法一样，只能说某一种方法更大程度上属于哪一种，较小程度地属于另外一种。基于统计的方法是最基本的纹理分析方法，其主要考虑的是图像中灰度级分布的随机属性，通过这些属性来描述纹理特征。这类方法的共同点在于都要计算图像中每点的局部特征，然后通过这些点的局部特征的分布推导出一些统计量来描述纹理特征。此类方法比较适合描述自然纹理，可以提供图像纹理的稀疏、平滑等性质，也可以用来描述人工纹理。比较典型的一些算法有纹理共生矩阵(Gray Level Co-occurrenceMatrix,GLCM)、LBP(Local Binary Pattern)、Laws纹理能量法等。但这类方法由于在每个点上进行计算，且仅使用统计特征对纹理进行分析，因而计算量比较大，精度比较差，同时易受噪声的影响，另外光照强度以及对比度的变化都会影响特征提取的精度。基于结构的方法又被称为几何法，其主要思想是纹理是由纹理基元组成的，重点在于纹理基元的重复性关系，即基元之间的相互关系与排列准则。所以这种方法主要包括两方面的工作，一是确定与提取基本的纹理单元，即纹理基元；二是纹理基元之间的重复性结构关系。对于纹理基元的结构关系，可以有不同的分析方法，一般是考虑基元之间的距离、相位、尺度等方面的统计特性，也可以考虑更复杂一些的分析，像句法分析等。可以看出，基于结构的方法是比较合理的纹理分析方法，但由于目前的图像分割技术还不成熟，难以将纹理基元比较好地提取出来，因而此类方法主要用于比较规则的人工纹理，复杂一些的自然纹理就很难用这种方法来描述。基于模型的方法假设图像中的纹理按照某种特定的统计模型分布，即图像中的纹理信息分布符合参数控制的某种特定模型，采用模型的参数作为纹理特征，将纹理特征提取归结为参数估计问题。在建立了模型之后，通过对大量的纹理图像进行统计，计算模型内包含的参数，最后将整个模型作为图像纹理特征提取的结果，因此如何采用各种方法进行模型参数的估计是这类方法的主要内容。该类方法假设纹理图像满足特定的分布，能够较好地表达简单的纹理及于人工纹理，但是对于复杂的纹理来说，很难用统一的模型去表达。而且求解模型系数的本身相当困难，通过多次的迭代优化过程，最终能够得到优化的结果，但是随之而来的问题是计算量大，速度慢。基于信号处理的方法利用线性变换，或者滤波器、滤波器组将图像的纹理转到变换域，然后应用某种能量准则提取图像的纹理特征。基于信号处理的方法又称为滤波的方法，主要是在图像的时域和频域上来分析纹理的特征，该方法通过对纹理图像与一系列特别设计的滤波器进行卷积操作，根据滤波器的响应结果找出响应值最大的，按照响应找出纹理的基元。大多数此类方法都基于这样一个假设，即频域上的能量分布能够区分、鉴别纹理。相对于其他几类方法来说，基于信号处理的方法能够对纹理特征的周期性和方向性进行比较好地描述，同时也能够很好地对纹理的全局结构进行把握，但是在描述纹理的细节结构方面与基于形状的描述这类方法有所不足。

织物图像既具有典型的人工纹理特征，即由基元图案重复而成，但很多情况下又复杂多变，具有典型的自然纹理特征，而且由于织物CAD等工具的普及应用，新的织物花样类型增加速度很快，因而需要更有效的纹理特征分析方法。如附图1所示，两幅图像示例了织物图像在变化的视点条件下与在非平面的情况下纹理图像的状况。上述情况要求纹理特征不仅能够描述纹理的统计与几何属性，而且在图像光照、视点发生变化的情况下，甚至是非平面纹理的情况下，也仍然能够识别图像，即纹理特征对视点及光照变化的不变性，几何不变性，也就是纹理特征对平移、旋转及缩放的不变性。以前的纹理分析方法都不具备这些特性或只具有一部分特性，因而很难有效地对织物图像进行检索。近几年纹理分析方法发展的一个趋势是采用标准化的局部特征表达纹理，与前述的方法相比，这类方法具有更强的区分能力，具备良好的几何不变性及对比度不变性，如SIFT算子、HOG等局部特征在模式识别及对象匹配等方面有比较好的效果和鲁棒性，已经得到广泛的应用，然而这些局部特征并没有反映局部的特征点或区域之间的结构关系，即几何关系，无法有效地描述纹理的重复模式。

发明内容

本发明的目的是针对现有技术存在的不足，提出一种基于几何形状的局部不变纹理特征的织物图像检索方法，符合人眼的视觉感知机制，同时具有良好的平移、旋转、缩放不变性及对比度不变性，且抗噪性好，精确度高，从而解决织物图像管理、检索效率低下等难题。

本发明的目的通过如下技术方案实现：

一种基于几何形状的局部不变纹理特征的织物图像检索方法，步骤如下：

一、脱机生成织物图像数据库的索引结构：抽取图像数据库中的所有织物图像的基于几何形状的局部不变纹理特征，图像由特征描述子标识，通过特征描述子建立图像数据库的索引结构；

二、形成用户提问：用户通过系统交互界面，提交一幅样例织物图像，提取基于几何形状的局部纹理特征，得到对应于该图像的特征描述子，形成可以检索索引数据库的提问；

所述的提取基于几何形状的局部纹理特征按照以下步骤实施：(1)转换为灰度纹理：系统提取输入图像的灰度图，将彩色纹理转换为灰度纹理；(2)织物图像的地形图表达：用地形图对转换后的织物图像进行表达；(3)提取特征：①构造Gaussian-Hermite矩不变量来对地形图中的形状进行描述，即图像纹理特征的局部表达；②采用形状缩放比例特征来表达地形图中各节点之间的结构关系；③采用形状对比度特征削除局部对比度对特征的影响；(4)特征的统计表达：基于上述特征提取过程对图像特征进行统计表达，得到织物图像基于形状的局部不变纹理特征的特征向量；

三、计算相似度，输出结果：联机查询引擎通过将用户提问与索引数据库中的记录进行匹配，计算其相似度，提取出满足阈值的记录作为结果，并将数据库中相应的织物图像按照相似度降序的方式返回给用户。

基于内容的图像检索系统的框架如图2所示。主要有两部分组成，一部分是图像数据库及脱机生成的索引结构，另一部分是联机查询引擎。图像数据库中的图像由特征描述子标识，通过特征描述子可以进行索引结构的创建并进行图像之间相似度的计算。联机查询引擎通过将查询描述子和数据库索引结构中图像的特征描述子进行匹配，计算其相似度并将数据库中最相似的图像返回给用户。

在实际的检索过程中，用户通过系统交互界面，提交一副样例图像，图像可以是来自网络或用户用相机或移动设备随手拍摄的自己喜欢或需要的纹理图像。系统提取基于几何形状的局部纹理特征即所谓的纹理特征描述子用于检索图像，特征提取的主要步骤如附图3所示，系统首先提取输入图像的灰度图，将彩色纹理转化为灰度纹理，接下来用地形图对转换后的织物图像进行表达，地形图提供了一种图像的多尺度与对比度不变的表达，它是由一组形状的集合来构成的，同时也是图像的完备的树形表达形式，因而转换后不会丢失原始图像的信息。形状来自于图像水平集的连通区域边界，每一个形状都包含了图像的一部分纹理信息，构成了地形图中树的节点。然后，本发明构造Gaussian-Hermite矩不变量来对地形图中的形状进行描述，即图像纹理特征的局部表达。然后在整个地形图中统计形状信息，得到织物图像基于形状的局部不变纹理特征的特征向量表达。

上述的特征提取与表达方式主要描述了纹理的形状特征，然而从整幅图像的地形图表达上来看，这种表达方式仅仅是在地形图上对形成局部纹理的形状节点做了统计，并没有考虑到地形图中各形状节点之间的结构关系，即形状之间的相对的位置关系。如附图4示例了两幅简单的合成纹理(图4中a和b所示)及其地形图表达(图4中c和d所示)，两幅图像具有相同直方图特征向量表达，但具有不同的树结构。因此，仅仅只有局部纹理的形状特征还不够，还需要有一种方式用来描述地形图中各节点之间的结构关系。另外，由于地形图本身具有的树状层次结构表达，因此能够以比较简单与直观的方式抽取形状之间的依赖关系。此处采用了一种比较直观的孩子父母关系，提出了一种形状缩放比例特征来表达地形图中各节点之间的结构关系。设s是地形图中的一个形状，sm为其m阶祖先，s1为s的父节点，s2为s1的父节点等等，以此类推，设L≥1，则s的L阶祖先族Nm定义为：N_m＝{s_m|1≤m≤L}。如附图5示例了一个形状s的三阶祖先族。对于形状s，其缩放比例特征可以定义如下：

其中μ₀₀(s）为s的面积，对于作用在形状s上的局部仿射变换AX+b，变换后形状s的面积变为det(A)μ00(s)。此外，

是求平均的操作，即计算s的从1阶到M阶祖先的零阶矩，然后再计算其平均值。由上述定义可以看到0＜α(s)＜1，该特征具有局部的仿射不变性，仅仅对作用在祖先族上的变换敏感，计算出形状s的缩放比例直方图特征，并将其归一化。

已有的一些几何特征都具有局部对比度不变的特性，但上述的特征描述并不具备这一特点，为了更全面地对图像进行表达，接下来本发明设计了一种局部仿射对比度不变的特征，作为这方面的补充。该特征的基本思想是，对于任一像素而言，通过使用包含这个像素的一个自适应大小的区域的亮度的均值与方差来进行归一化，在当前的算法中，这个区域为地形图中所包含的形状。具体而言，在像素p处，一个归一化的灰度值可以表达为：

其中means(p)(u)与vars(p)(u)分别是地形图中包含像素p的最小形状s(p)的亮度u的均值与方差。这种特征就被称为形状对比度特征，由于归一化的原因，这个特征是局部仿射对比度不变的。由上述特征提取的过程可以看到：

基于几何形状的局部不变纹理特征＝基于形状的局部不变纹理特征+形状缩放比例特征+形状对比度特征。

整体上来说，这种局部基于形状对纹理进行表达，同时对纹理的结构特征加以描述，然后进行全局统计的纹理分析方式，结合了统计法与结构法两种已有纹理分析方式的优点，能够有效地表达织物图像的纹理特征，从而能够有效地对织物图像进行检索。

本发明与现有技术相比具有以下有益效果：

(1)针对织物纹理图像可能存在的视点和光照变化及非平面纹理的特点，传统的纹理分析方法难以有效描述此类特征，本发明提出一种基于几何形状的局部不变纹理特征，利用该特征能够有效地对织物图像进行表达，从而能够有效地、鲁棒地对织物图像进行检索。

(2)本发明首先利用地形图将织物图像转换一种等价的表达方式，地形图是图像的一种多尺度与对比度不变的表达，它是由一组形状的集合来构成的，同时也是图像的完备的树形表达形式，每一个形状都包含了图像的一部分纹理信息，构成了地形图中树的节点；由于地形图表达是完备的，因而这种转换并没有损失原图像的信息；基于地形图中的形状及形状之间的几何结构关系，本发明提出了基于几何形状的局部不变纹理特征，这种特征符合人眼的视觉感知机制，同时具有良好的平移、旋转、缩放不变性及对比度不变性。

附图说明

图1为基于内容的图像检索系统的框架。

图2为视点变化及非平面纹理织物图像示例。

图3为基于形状的局部不变纹理特征提取流程。

图4为两幅合成纹理图像a和b，二者的地形图分别为c和d。

图5为地形图中形状s的三阶祖先族示意图。

具体实施方式

为更进一步阐述本发明所采取的技术手段及其效果，以下进行详细描述。

本发明方案主要是包含以下三个部分：(1)织物图像的地形图表达；(2)基于几何形状的局部不变纹理特征提取；(3)织物图像特征向量的相似性度量。下面对这几个部分的实现细节做详细说明：

1.织物图像的地形图表达

根据不同的应用目的，图像可以有不同的表达方式。对于图像去模糊、图像复原、图像去噪等用途来说，基于频率模型的傅立叶变换及小波理论来表达图像是比较合适的。但从图像分析的视点来看，这些表达又不是那么容易被接受，因为小波不是平移不变的，而傅立叶变换和窗口大小有关。尺度空间与边缘检测理论则提出基于“显著边缘”(Significant Edges)来表达图像，这类算法主要有两个方面的不足之处，一是边缘的几何信息是不完备的，图像不可能从这些基于边的表达中恢复，二是这种基于边的表达在尺度上存在冗余的信息。

地形图(Topographic Map)，是一种形态学(Morphology)工具，提供了一种图像的多尺度与对比度不变的表达，它是由一组形状的集合来构成的，同时也是图像的完备的树形表达形式，形状来自于图像水平集(Level Sets)的连通区域边界，每一个形状都包含了图像的一部分纹理信息，构成了地形图中树的节点。

地形图的优点首先在于其本质上就具有尺度空间结构，其中的尺度对应了形状的区域。正是因为地形图的这种优良特性，才被用来做纹理分析。其次，地形图具有全局的对比度不变性，甚至是局部的对比度不变性，这样在进行纹理分析时候一个直接的好处就是对于图像的光照变化是不受影响的。最后，地形图是从水平集连通区域上所得到的形状，而形状是图像的局部表达，地形图则是图像的整体几何表达，包含了形状之间的层次关系。因此，这种图像表达方式对于图像的局部几何形变具有良好地适应性。故本发明首先将织物图像转换成地形图表达，以方便后续的处理。

2.基于几何形状的局部不变纹理特征提取

矩特征主要描述了图像区域的几何形状，又称几何矩。在实际使用中的矩特征由于具有平移、旋转与缩放不变的特性，因此又被称为不变矩或矩不变量。基于不变矩的区域形状描述广泛地应用于图像分析、模式识别等研究领域。一个从该图像中提取出来的矩的集合，可以描述该图像的全局形状特征，也包括其它几何属性如大小、形状、位置等。矩的这种特征描述能力对于像图像处理、计算机视觉及目标识别等任务有着重要的作用。关于不同阶的矩，有着明确的几何意义，如一阶矩就描述了区域的形状，二阶矩描述了区域的大小和方向等等。迄今为止，常见的矩的类别主要有以下几种：几何矩、正交矩、复数矩与旋转矩等。由于正交平滑的Gaussian-Hermite矩具有良好的抗噪能力，而且在图像表征上相比普通正交矩甚至有更好的性能，所以本发明构造Gaussian-Hermite矩不变量来描述织物地形图表达中的形状，下面给出Gaussian-Hermite矩不变量的构造方法。

矩的不变量一直是矩理论研究的主要内容，在使用矩来描述图像特征时，由于Gaussian-Hermite矩在其基中引入了高斯函数，无法表示成几何矩的非线性组合，因而不能直接利用传统的推导正交矩不变量的方法来得到Gaussian-Hermite矩的不变量。但参考传统的矩不变量构造方式，通过坐标变换可以获得Gaussian-Hermite矩的平移不变量，关于Gaussian-Hermite矩的旋转不变量，已经有相关的构造方法。本发明则在已有不变量的基础上，采用归一化的方式实现了Gaussian-Hermite矩的尺度不变量。首先，Hermite多项式定义如下：

则一个通用的引入可变方差σ的正交Hermite多项式，有如下形式：

接下来Gaussian-Hermite中心矩定义如下：

其中，

表示图像的重心。尺度归一化的主要思想是通过坐标映射，将不同尺度下的图像映射到相同的单位区间，消除尺度变化带来的影响。首先设定图像f(x,y)的零阶矩m00为一设定值，变换后的图像为f(x',y')，其中x'＝x/s,y'＝y/s，则

m^′ _pq＝∫∫_ξx^′py^′pf(x,y′)dx′dy′＝∫∫_ξs^p+q+2x^py^pf(x,y)dxdy＝s^p+q+2m_pq,

设图像变换之后的零阶矩m'00＝β，则可以得到：

计算出上述缩放因子之后，将图像中像素点坐标映射至区间[-1/s,1/s]，从而实现Gaussian-Hermite矩的尺度归一化。

有了Gaussian-Hermite矩不变量，利用其来表达地形图中的每个形状特征。然后基于形状的矩特征表达，在所有的地形图节点上统计形状信息，得到整幅图像的基于形状的纹理特征，每一个形状则由前6个归一化的Gaussian-Hermite矩不变量来表述，然后在整幅图像上将每一阶Gaussian-Hermite矩分成50个区间，对整幅图像的所有形状统计落入每个小区间的值，得到300维的特征向量。上述的特征提取与表达方式仅仅是在地形图上对形成局部纹理的形状节点做了统计，并没有考虑到地形图中各形状节点之间的结构关系，即形状之间的相对的位置关系。因此，还需要有一种方式用来描述地形图中各节点之间的结构关系，另外，已有的一些几何特征都具有局部对比度不变的特性，但上述的特征描述并不具备这一特点，为了更全面地对图像进行表达，本发明设计了一种局部仿射对比度不变的特征，作为这方面的补充。因此，接下来提取表达地形图中各形状节点之间的结构关系的形状缩放比例特征与削除局部对比度影响的形状对比度特征各50维，最后组合在一起得到整幅织物图像的基于几何形状的局部不变纹理特征向量。

3.织物图像特征向量的相似性度量

对于两幅图像来说，其相似度比较是通过特征的分布的比较来进行的，简单地说就是比较它们特征向量直方图之间的距离。此处选择使用Jeffrey散度，一个KL(Kullback-Leibler)距离的修改版。对于两个离散的直方图P＝(p1,p2,…,pN)与Q＝(q1,q2,…,qN)，它们之间的Jeffrey散度定义为：

其中mi＝(pi+qi)/2。对于特征分布u与v，用D(u,v)来表示它们之间的距离。若u与v包括了K个直方图，则距离可以用加权求和的方式来实现，如下：

其中wk是第k个直方图特征的权值，包括形状直方图、结构直方图与对比度直方图。

不同图像的特征描述子之间的相似度是通过距离来度量的，距离越大，则相似度越小，反之，距离越小，相似度越大。查询到的结果，按照相似度大小进行排序后，通过用户接口返回给用户检索到的图像列表。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于几何形状的局部不变纹理特征的织物图像检索方法，其特征在于，步骤如下：

一、脱机生成索引结构：抽取图像数据库中的所有织物图像的基于几何形状的局部不变纹理特征，图像由特征描述子标识，通过特征描述子建立图像数据库的索引结构；

二、形成用户提问：用户通过系统交互界面，提交一幅样例织物图像，提取基于几何形状的局部纹理特征，得到对应于该图像的特征描述子，形成可以检索索引数据库的提问；

所述的提取基于几何形状的局部纹理特征按照以下步骤实施：(1)转换为灰度纹理：系统提取输入图像的灰度图，将彩色纹理转换为灰度纹理；(2)织物图像的地形图表达：用地形图对转换后的织物图像进行表达；(3)提取特征：①构造Gaussian-Hermite矩不变量来对地形图中的形状进行描述，即图像纹理特征的局部表达；②采用形状缩放比例特征来表达地形图中各节点之间的结构关系；③采用形状对比度特征消除局部对比度对特征的影响；(4)特征的统计表达：基于上述特征提取过程对图像特征进行统计表达，得到织物图像基于形状的局部不变纹理特征的特征向量；

三、计算相似度，输出结果：联机查询引擎通过将用户提问与索引数据库中的记录进行匹配，计算其相似度，提取出满足阈值的记录作为结果，并将数据库中相应的织物图像按照相似度降序的方式返回给用户；

步骤(3)中②采用形状缩放比例特征来表达地形图中各节点之间的结构关系具体为：设s是地形图中的一个形状，s^m为其m阶祖先，s¹为s的父节点，s²为s¹的父节点，以此类推，设L≥1，则s的L阶祖先族N^L定义为：N^L＝{s^m|1≤m≤L}，对于形状s，其缩放比例特征可以定义如下：

其中μ₀₀(s)为s的面积，对于作用在形状s上的局部仿射变换AX+b，变换后形状s的面积变为det(A)μ00(s)；此外，

是求平均的操作，即计算s的从1阶到L阶祖先的零阶矩，然后再计算其平均值；由上述定义可以看到0<αs<1，该特征具有局部的仿射不变性，仅仅对作用在祖先族上的变换敏感，计算出形状s的缩放比例直方图特征，并将其归一化；

步骤(3)中③采用形状对比度特征消除局部对比度对特征的影响具体为：对于任一像素而言，通过使用包含这个像素的一个自适应大小的区域的亮度的均值与方差来进行归一化，在当前的算法中，这个区域为地形图中所包含的形状，在像素p处，一个归一化的灰度值表达为：

其中means(p)(u)与vars(p)(u)分别是地形图中包含像素p的最小形状s(p)的亮度u的均值与方差，由于归一化的原因，这个特征是局部仿射对比度不变的。

2.根据权利要求1所述的一种基于几何形状的局部不变纹理特征的织物图像检索方法，其特征在于，步骤(4)中基于形状的局部不变纹理特征的特征向量表达具体为：采用归一化的方式实现了Gaussian-Hermite矩的尺度不变量；

首先，n阶的Hermite多项式定义如下：

其中，t∈[0,+∞)；则一个通用的引入可变方差σ的正交Hermite多项式，有如下形式：

接下来Gaussian-Hermite中心矩定义如下：

其中，

表示图像的重心；p和q表示矩的阶数；ξ表示图像灰度的最大取值；

设定图像f(x,y)的零阶矩m₀₀为一设定值，变换后的图像为f(x',y')，其中x'＝x/s,y'＝y/s，则

m′_pq＝∫∫_ξx′^py′^pf(x′,y′)dx′dy′＝∫∫_ξs^p+q+2x^py^pf(x,y)dxdy＝s^p+q+2m_pq,

设图像变换之后的零阶矩m'₀₀＝β，则可以得到如下的缩放因子s：

计算出上述缩放因子s之后，将图像中像素点坐标映射至区间[-1/s,1/s]，从而实现Gaussian-Hermite矩的尺度归一化；

有了Gaussian-Hermite矩不变量，利用其来表达地形图中的每个形状特征；然后基于形状的矩特征表达，在所有的地形图节点上进行统计形状信息，得到整幅图像的基于形状的纹理特征，每一个形状则由前6个归一化的Gaussian-Hermite矩不变量来表述，然后在整幅图像上将每一阶Gaussian-Hermite矩分成50个区间，对整幅图像的所有形状统计落入每个小区间的值，得到300维的特征向量，接下来提取形状缩放比例特征与形状对比度特征各50维，最后组合在一起得到整幅织物图像的基于几何形状的局部不变纹理特征向量。

3.根据权利要求1所述的一种基于几何形状的局部不变纹理特征的织物图像检索方法，其特征在于，步骤三中相似度计算是通过比较两个图像特征向量直方图之间的距离进行的，对于两个离散的直方图P＝(p1,p2,…,pN)与Q＝(q1,q2,…,qN)，它们之间的Jeffrey散度定义为：

其中mi＝(pi+qi)/2；对于特征分布u与v，用D(u,v)来表示它们之间的距离；若u与v包括了K个直方图，则距离可以用加权求和的方式来实现，如下：

其中w_k是第k个直方图特征的权值，包括形状直方图、结构直方图与对比度直方图。

4.根据权利要求1所述的一种基于几何形状的局部不变纹理特征的织物图像检索方法，其特征在于，基于几何形状的局部不变纹理特征＝基于形状的局部不变纹理特征+形状缩放比例特征+形状对比度特征。

Images